Spark函数详解系列之RDD基本转换

摘要：

RDD：弹性分布式数据集，是一种特殊集合‚ 支持多种来源‚ 有容错机制‚ 可以被缓存‚ 支持并行操作，一个RDD代表一个分区里的数据集

RDD有两种操作算子：

Transformation（转换）：Transformation属于延迟计算，当一个RDD转换成另一个RDD时并没有立即进行转换，仅仅是记住了数据集的逻辑操作

Ation（执行）：触发Spark作业的运行，真正触发转换算子的计算

本系列主要讲解Spark中常用的函数操作：

1.RDD基本转换

2.键-值RDD转换

3.Action操作篇

1.map(func)：数据集中的每个元素经过用户自定义的函数转换形成一个新的RDD，新的RDD叫MappedRDD

（例1）

1 2 3 4 5 6 7 8 9 10

object Map { def main(args: Array[String]) { val conf =newSparkConf().setMaster("local").setAppName("map") val sc =newSparkContext(conf) val rdd = sc.parallelize(1to10)//创建RDD val map = rdd.map(_*2)//对RDD中的每个元素都乘于2 map.foreach(x => print(x+" ")) sc.stop() } }

输出：

2 4 6 8 10 12 14 16 18 20

(RDD依赖图：红色块表示一个RDD区，黑色块表示该分区集合，下同)

2.flatMap(func):与map类似，但每个元素输入项都可以被映射到0个或多个的输出项，最终将结果”扁平化“后输出

（例2）

1 2 3 4

//...省略sc val rdd = sc.parallelize(1to5) val fm = rdd.flatMap(x => (1to x)).collect() fm.foreach( x => print(x +" "))

输出：

1 1 2 1 2 3 1 2 3 4 1 2 3 4 5

如果是map函数其输出如下：

Range(1) Range(1, 2) Range(1, 2, 3) Range(1, 2, 3, 4) Range(1, 2, 3, 4, 5)

(RDD依赖图)

3.mapPartitions(func):类似与map，map作用于每个分区的每个元素，但mapPartitions作用于每个分区工

func的类型：Iterator[T] => Iterator[U]

假设有N个元素，有M个分区，那么map的函数的将被调用N次,而mapPartitions被调用M次,当在映射的过程中不断的创建对象时就可以使用mapPartitions比map的效率要高很多，比如当向数据库写入数据时，如果使用map就需要为每个元素创建connection对象，但使用mapPartitions的话就需要为每个分区创建connetcion对象

(例3)：输出有女性的名字：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

object MapPartitions { //定义函数 def partitionsFun(/*index : Int,*/iter : Iterator[(String,String)]) : Iterator[String] = { var woman = List[String]() while(iter.hasNext){ val next = iter.next() next match { case(_,"female") => woman =/*"["+index+"]"+*/next._1 :: woman case_ => } } returnwoman.iterator } def main(args: Array[String]) { val conf =newSparkConf().setMaster("local").setAppName("mappartitions") val sc =newSparkContext(conf) val l = List(("kpop","female"),("zorro","male"),("mobin","male"),("lucy","female")) val rdd = sc.parallelize(l,2) val mp = rdd.mapPartitions(partitionsFun) /*val mp = rdd.mapPartitionsWithIndex(partitionsFun)*/ mp.collect.foreach(x => (print(x +" ")))//将分区中的元素转换成Aarray再输出 } }

输出：

kpop lucy

其实这个效果可以用一条语句完成

1	val mp = rdd.mapPartitions(x => x.filter(_._2 =="female")).map(x => x._1)

之所以不那么做是为了演示函数的定义

(RDD依赖图)

4.mapPartitionsWithIndex(func):与mapPartitions类似，不同的时函数多了个分区索引的参数

func类型：(Int, Iterator[T]) => Iterator[U]

（例4）：将例3橙色的注释部分去掉即是

输出：（带了分区索引）

[0]kpop [1]lucy

5.union(ortherDataset):将两个RDD中的数据集进行合并，最终返回两个RDD的并集，若RDD中存在相同的元素也不会去重

1 2 3 4 5 6

//省略sc val rdd1 = sc.parallelize(1to3) val rdd2 = sc.parallelize(3to5) val unionRDD = rdd1.union(rdd2) unionRDD.collect.foreach(x => print(x +" ")) sc.stop

输出：

1 2 3 3 4 5

　　

6.intersection(otherDataset):返回两个RDD的交集

1 2 3 4 5 6

//省略sc val rdd1 = sc.parallelize(1to3) val rdd2 = sc.parallelize(3to5) val unionRDD = rdd1.intersection(rdd2) unionRDD.collect.foreach(x => print(x +" ")) sc.stop

输出：

3 4

7.distinct([numTasks]):对RDD中的元素进行去重

1 2 3 4 5

//省略sc val list = List(1,1,2,5,2,9,6,1) val distinctRDD = sc.parallelize(list) val unionRDD = distinctRDD.distinct() unionRDD.collect.foreach(x => print(x +" "))

输出：

1 6 9 5 2

8.cartesian(otherDataset):对两个RDD中的所有元素进行笛卡尔积操作

1 2 3 4 5

//省略 val rdd1 = sc.parallelize(1to3) val rdd2 = sc.parallelize(2to5) val cartesianRDD = rdd1.cartesian(rdd2) cartesianRDD.foreach(x => println(x +" "))

输出：

(1,2) (1,3) (1,4) (1,5) (2,2) (2,3) (2,4) (2,5) (3,2) (3,3) (3,4) (3,5)

(RDD依赖图)

9.coalesce(numPartitions，shuffle):对RDD的分区进行重新分区，shuffle默认值为false,当shuffle=false时，不能增加分区数

目,但不会报错，只是分区个数还是原来的

(例9:）shuffle=false

1 2 3 4

//省略 val rdd = sc.parallelize(1to16,4) val coalesceRDD = rdd.coalesce(3)//当suffle的值为false时，不能增加分区数(即分区数不能从5->7) println("重新分区后的分区个数:"+coalesceRDD.partitions.size)

输出：

重新分区后的分区个数:3
//分区后的数据集
List(1, 2, 3, 4) List(5, 6, 7, 8) List(9, 10, 11, 12, 13, 14, 15, 16) 

(例9.1:）shuffle=true

1 2 3 4 5

//...省略 val rdd = sc.parallelize(1to16,4) val coalesceRDD = rdd.coalesce(7,true) println("重新分区后的分区个数:"+coalesceRDD.partitions.size) println("RDD依赖关系:"+coalesceRDD.toDebugString)

输出：

重新分区后的分区个数:5 RDD依赖关系:(5) MapPartitionsRDD[4] at coalesce at Coalesce.scala:14 [] | CoalescedRDD[3] at coalesce at Coalesce.scala:14 [] | ShuffledRDD[2] at coalesce at Coalesce.scala:14 [] +-(4) MapPartitionsRDD[1] at coalesce at Coalesce.scala:14 [] | ParallelCollectionRDD[0] at parallelize at Coalesce.scala:13 [] //分区后的数据集
List(10, 13) List(1, 5, 11, 14) List(2, 6, 12, 15) List(3, 7, 16) List(4, 8, 9) 

(RDD依赖图:coalesce(3,flase))

(RDD依赖图:coalesce(3,true))

10.repartition(numPartition):是函数coalesce(numPartition,true)的实现，效果和例9.1的coalesce(numPartition,true)的一样

11.glom():将RDD的每个分区中的类型为T的元素转换换数组Array[T]

1 2 3 4 5

//省略 val rdd = sc.parallelize(1to16,4) val glomRDD = rdd.glom()//RDD[Array[T]] glomRDD.foreach(rdd => println(rdd.getClass.getSimpleName)) sc.stop

输出：

int[] //说明RDD中的元素被转换成数组Array[Int]

12.randomSplit(weight:Array[Double],seed):根据weight权重值将一个RDD划分成多个RDD,权重越高划分得到的元素较多的几率就越大

1 2 3 4 5 6 7

//省略sc val rdd = sc.parallelize(1to10) val randomSplitRDD = rdd.randomSplit(Array(1.0,2.0,7.0)) randomSplitRDD(0).foreach(x => print(x +" ")) randomSplitRDD(1).foreach(x => print(x +" ")) randomSplitRDD(2).foreach(x => print(x +" ")) sc.stop

输出：

2 4
3 8 9
1 5 6 7 10